論文の概要: FedAvg-Based CTMC Hazard Model for Federated Bridge Deterioration Assessment

• arxiv url: http://arxiv.org/abs/2602.20194v1
• Date: Sun, 22 Feb 2026 03:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.454894
• Title: FedAvg-Based CTMC Hazard Model for Federated Bridge Deterioration Assessment
• Title（参考訳）: フェデレーションブリッジ劣化評価のためのFedAvgを用いたCTMCハザードモデル
• Authors: Takato Yasuno,
• Abstract要約: 本稿では, 連続時間マルコフ連鎖(CTMC)ハザードモデルによる橋梁劣化の予測を行うための枠組みを提案する。 各ユーザはローカル検査データを保持し、3つの劣化方向遷移に対してログ線形ハザードモデルをトレーニングする。 ローカル検査データセットを共有技術標準プラットフォームに登録するユーザは、定期的に更新されたグローバルベンチマークパラメータを受信する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bridge periodic inspection records contain sensitive information about public infrastructure, making cross-organizational data sharing impractical under existing data governance constraints. We propose a federated framework for estimating a Continuous-Time Markov Chain (CTMC) hazard model of bridge deterioration, enabling municipalities to collaboratively train a shared benchmark model without transferring raw inspection records. Each User holds local inspection data and trains a log-linear hazard model over three deterioration-direction transitions -- Good$\to$Minor, Good$\to$Severe, and Minor$\to$Severe -- with covariates for bridge age, coastline distance, and deck area. Local optimization is performed via mini-batch stochastic gradient descent on the CTMC log-likelihood, and only a 12-dimensional pseudo-gradient vector is uploaded to a central server per communication round. The server aggregates User updates using sample-weighted Federated Averaging (FedAvg) with momentum and gradient clipping. All experiments in this paper are conducted on fully synthetic data generated from a known ground-truth parameter set with region-specific heterogeneity, enabling controlled evaluation of federated convergence behaviour. Simulation results across heterogeneous Users show consistent convergence of the average negative log-likelihood, with the aggregated gradient norm decreasing as User scale increases. Furthermore, the federated update mechanism provides a natural participation incentive: Users who register their local inspection datasets on a shared technical-standard platform receive in return the periodically updated global benchmark parameters -- information that cannot be obtained from local data alone -- thereby enabling evidence-based life-cycle planning without surrendering data sovereignty.
• Abstract（参考訳）: ブリッジ定期検査記録には、公共インフラに関する機密情報が含まれており、既存のデータガバナンス制約の下では、組織間のデータ共有は実行不可能である。 本研究では,連続時間マルコフ連鎖(CTMC)ハザードモデルを用いた橋梁劣化予測手法を提案する。 各ユーザは、ローカルな検査データを保持し、Good$\to$Minor、Good$\to$Severe、Minor$\to$Severeという3つの劣化方向遷移に対して、橋梁年齢、海岸線距離、デッキ面積の共変量を持つログ線形ハザードモデルをトレーニングする。 局所最適化はCTMCログ上でのミニバッチ確率勾配勾配により行われ、通信ラウンド毎に12次元の擬似勾配ベクトルのみが中央サーバにアップロードされる。 サーバは、サンプル重み付けされたフェデレーション平均化(FedAvg)を使用してユーザ更新を集計し、モーメントと勾配クリッピングを行う。 本研究のすべての実験は、地域固有の不均一性を持つ既知基底構造パラメータから生成された完全合成データに基づいて、フェデレート収束挙動の制御を可能にする。 ヘテロジニアスなユーザ間でのシミュレーション結果から,ユーザスケールの増大に伴って集約された勾配ノルムが低下する,平均負のログ類似度が一貫した収束性を示す。 共有技術標準プラットフォームにローカル検査データセットを登録したユーザは、定期的に更新されたグローバルベンチマークパラメータ(ローカルデータだけでは取得できない情報)を返却して、データ主権を放棄することなくエビデンスベースのライフサイクル計画を可能にする。

関連論文リスト

• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• DRAG: Divergence-based Adaptive Aggregation in Federated learning on Non-IID Data [11.830891255837788]
  局所勾配降下(SGD)は、フェデレートラーニング(FL)におけるコミュニケーション効率向上の基本的なアプローチである 我々は,局所勾配と大域基準方向の角度を定量化する「発散度」と呼ばれる新しい計量を導入する。 本稿では,各ラウンドの参照方向に対して受信した局所的な更新を,余分な通信オーバーヘッドを伴わずに動的にドラッグする分散型アダプティブアグリゲーション(DRAG)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-04T19:40:58Z)
• FedAgg: Adaptive Federated Learning with Aggregated Gradients [1.5653612447564105]
  我々はFedAggと呼ばれる適応型FEDerated Learningアルゴリズムを提案し、局所モデルパラメータと平均モデルパラメータのばらつきを緩和し、高速モデル収束率を得る。 IIDおよび非IIDデータセット下でのモデル性能の向上と収束速度の促進を目的として,本手法が既存のFL戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-28T08:07:28Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Generative Anomaly Detection for Time Series Datasets [1.7954335118363964]
  交通渋滞異常検出は知的交通システムにおいて最重要事項である。 本稿では,トラヒック異常検出のためのトラヒック密度推定を行うデータ駆動型生成手法を提案する。 Recall と F1-Score の両手法により, 最先端の混雑異常検出法と診断法を比較検討した。
  論文  参考訳（メタデータ） (2022-06-28T17:08:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。